科普 | 仿真的目的是优化 原创

仿真工程师典型工作流：几何清理、划网格、设边界条件、计算，然后把仿真曲线和试验曲线放一起比较。

如果两条曲线基本重合，会长叹一口气：“嘤嘤嘤终于算准了。”

于是很多人形成一个观念：仿真的目的，就是把试验结果算出来。

一、仿真，是为寻找更好的设计

在大多数工程场景，仿真并不能、也没必要完全取代试验。一个设计能不能用，最终仍需要试验验证。

仿真最直接的价值是减少试验次数，提高试验前的信心。

很多时候，仿真并不需要追求和试验定量一致，而是趋势一致。如果改变某个尺寸后，试验显示温度下降，仿真也显示温度下降。试验发现方案A优于B，仿真也能判断这种关系，那么仿真就已具备重要价值。

得到仿真结果后，工程师关心的更多是：接下来设计要怎么改？

假设CFD计算发现风道的压损太大，那怎样改变宽度、角度、曲率、长度，让压力损失降低，同时又不让体积变得太大？

假设强度仿真发现某位置应力过高，那材料厚度增加多少，加强筋放在哪，同时又不让重量增加太多？

仿真的目的，不只是解释现在的设计，而是指导下一个设计，即优化。

“改参数—仿真—看结果—再改参数”，本质就是优化过程。优化算法是工程师的大脑，即工程经验。所以头顶稀疏的工程师（意味着散热好bushi），往往能更准确判断哪些参数值得修改。

但当设计变量越来越多时，人脑很快就会遇到极限。5个参数，每个参数试10个值，理论组合就会达10万种。散热再好的大脑，也会过热宕机。

于是，基于电脑的自动优化算法由此产生。

二、用优化算法取代人工经验

自动优化并不神秘，只需三步走：

第一，定设计变量。例如尺寸、厚度、角度、数量、材料参数。

第二，定优化目标。例如阻力更低、效率更高、温度更低、重量更轻。

第三，定约束条件。例如最大应力不能超过允许值、温度不能超过上限、尺寸须控制在一定范围内。

接下来，算法自动改变设计变量，调用仿真软件计算结果，再根据结果决定下一轮探索哪些参数组合。以往需要工程师完成的重复操作，变成了自动优化流程。

衡量一个优化算法的好坏，就是看它能不能用最少的仿真次数找到全局最优解。

天洑AIPOD就是一款专业多目标优化软件，提供30余种优化算法，包括遗传算法、粒子群算法、免疫算法等，串联CAD、CAE和自编程序，让优化算法代替工程经验进行设计空间搜索。

你也许会问，有的CAE仿真本身就很慢，跑一轮要3小时，即使算100次找到了最优方案，那也要300小时，等不及怎么办？

好问题。

AIPOD采用了工程优化中一个重要技术，代理模型。先用CAE计算少量样本，再用这些样本训练代理模型，学习设计参数和目标变量之间的关系。

之后不必每一次都运行CAE计算，而是先由代理模型快速预测。最终的优化流程就变成了：

少量仿真 → 建代理模型 → 大规模快速探索 → 关键方案仿真验证。

你也许紧张了，算法给出了最优方案，还要工程师做什么，头发白掉了？

非也，自动优化流程离不开工程经验。

比如设计变量参数化，哪些变量能变哪些不能变，变化范围是多少，要根据工程背景定义。

比如仿真过程，仿真模型需要工程师设置，仿真准确是优化的前提。

还有最后的方案选择，优化流程最终给出的往往是多组方案。有的方案性能最好，但成本高点。有的成本更低，但性能略有牺牲。选择哪个，仍需工程师拍板。

三、仿真和优化是工业智能的核心

仿真回答“这样做会发生什么？”，优化回答“怎么做会更好？”

仿真与优化对应工业智能两种核心能力，这也是天洑构建工业世界模型时，将物理AI作为重要基础能力的原因。

AICFD计算流动、传热等物理过程，AIFEM计算结构、强度、振动等问题，AIPOD则进一步在这些计算能力之上寻找更优设计。

它们当然可以作为独立的工程工具使用。但在工业世界模型中，它们便成为了工业智能体可以调用的物理计算和优化能力。

一个能作用于工业现实的世界模型必须能回答：改变一个结构，会发生什么？调整一个运行参数，会带来什么结果？有十种方案时，哪一种更值得执行？

如果一个模型只能识别、问答和生成，而不能按照物理规律推演现实世界，更不能进一步寻找更优方案，那么它与真实工业系统之间，就始终还隔着一步。